scrapy拆解Spider类爬取优设网 python scrapy拆解查看Spider类爬取优设网极细讲解
梦想橡皮擦 人气:0拆解 scrapy.Spider
本次采集的目标站点为：优设网
每次创建一个 spider 文件之后，都会默认生成如下代码：
import scrapy
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['http://www.uisdc.com/']
def parse(self, response):
self.log()
继承的基类 scrapy.Spider 自然就成了我们要研究的第一个内容，进入其源码，发现如下内容。
scrapy.Spider 核心实现的是 start_requests 方法
Spider 主要进行的操作就是初始化 Request 请求，而这些都是通过 start_requests 实现的，详细代码为：
for url in self.start_urls:
yield Request(url, dont_filter=True)
对 start_requests 方法，你可以自己编写同名函数覆盖修改，编写时发现了 make_requests_from_url 方法，该方法在最新版本的 scrapy 中已经被废除。
重写 start_requests 方法 ，需要注意重写时，必须返回一个可迭代对象，并且该对象包含 spider 用于爬取的第 1 个 Request，由于 scrapy 只调用一次该方法，所以你可以将登录站点请求放置到该方法中。
import scrapy
from scrapy.http import Request
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['http://www.uisdc.com/']
def start_requests(self):
print("重写 start_requests")
yield Request(self.start_urls[0])
def parse(self, response):
print(response)
将登录信息放置到 start_requests 中，代码如下：
import scrapy
from scrapy.http import FormRequest
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['http://www.uisdc.com/']
def start_requests(self):
print("手动 start_requests")
yield FormRequest("https://httpbin.org/post", formdata={"user": "ca"}, callback=self.parse)
def parse(self, response):
print(response.text)
scrapy.Spider 属性值
name 属性：
表示爬虫名称，spider 的名称用于 scrapy 定位爬虫，所以非常重要，一般常见的名称方式是使用网站域名（domain），命名 spider，例如 baidu.com 命名为 baidu，但是工作喜欢还是携带 .com 后缀。
allowed_domains 属性：
该属性需要配置 offsiteMiddleware 使用，当该中间件启用之后，待采集 URL 的域名如果不在 allowed_domains 列表中，会被禁止访问。
domains 内容添加，假设你的目标 URL 是 http://www.baidu.com/123.html，仅填写 baidu.com 即可。
start_urls 属性：
起始的 URL 列表，主要用于 start_request 方法进行迭代。
custom_settings 属性：
自定义配置，可以覆盖 settings.py 的配置，以字典格式赋值。
custom_settings = {
"ROBOTSTXT_OBEY": False # 不请求 robot.txt 文件
}
crawler 属性：
该属性在爬虫启动后，由类方法 from_crawler() 设置。
settings 属性：
指定配置文件的实例。
logger 属性：
spider 日志输出对象，默认以 spider 名称创建，可以自定义。
self.logger.info('输出响应地址 %s', response.url)
logger.info('输出响应地址 %s', response.url)
补充一下 scrapy 日志级别
在 settings.py 中设置 log 级别，只需要增加一行代码：
LOG_LEVEL = 'WARNING'
设置为 WARNING 级别，会发现 scrapy 默认的各种调试信息，都不在控制台输出。
scrapy 日志级别与 logging 模块一致。
CRITICAL：严重错误；
ERROR ：一般错误；
WARNING： 警告信息；
INFO ：一般信息；
DEBUG：调试信息。
在 scrapy 中的 settings 中关于日志的配置如下：
LOG_ENABLED：默认: True，表示启用 logging；
LOG_ENCODING： 默认: utf-8，logging 使用的编码；
LOG_FILE 默认: None，日志保存的文件名；
LOG_LEVEL： 默认 DEBUG ，log 的最低级别。
scrapy.Spider 实例方法与类方法
from_crawler 类方法
在查看源码之后，该方法的功能会比较清晰。
@classmethod
def from_crawler(cls, crawler, *args, **kwargs):
spider = cls(*args, **kwargs)
spider._set_crawler(crawler)
return spider
def _set_crawler(self, crawler):
self.crawler = crawler
self.settings = crawler.settings
crawler.signals.connect(self.close, signals.spider_closed)
该方法设置了 crawler 和 settings 两个属性，该方法在上一篇博客已经有所涉及，直接回顾即可。
parse 方法
当请求（Request）没有指定回调参数（callback）时，该方法是 scrapy 用来处理响应的默认回调方法。
log 方法
使用 self.log() 方法记录日志。
学习到这里，对 Spider 模块有了一个比较整体的认识。
爬取优设网
接下来进入爬虫采集相关代码编写，有了前文知识铺垫之后，采集代码就变得非常简单了。
import scrapy
from uisdc.items import UisdcItem
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['https://www.uisdc.com/archives']
custom_settings = {
"ROBOTSTXT_OBEY": False
}
def parse(self, response):
# print(response.text)
# self.log("测试是否有数据输出", logging.WARNING)
items = response.xpath('//div[@id="archive_list"]/div/div[1]/div[1]/div[contains(@class,"item-article")]')
for i in items:
item = UisdcItem()
title = i.xpath(".//h2[@class='item-title']/a/text()").extract_first()
author = i.xpath(".//h3[@class='meta-name']/text()").extract_first()
tag = i.xpath(".//div[@class='meta-tag']/a/text()").extract_first()
item["title"] = title
item["author"] = author
item["tag"] = tag
yield item
接下来修改源码，增加 ** Item Loaders** 填充容器机制。通过 from scrapy.loader import ItemLoader 导入新类，该类的构造函数如下：
def __init__(self, item=None, selector=None, response=None, parent=None, **context)
其中 item 是容器类，selector 为 Selector 对象，提取填充数据的选择器，response 为 Response 响应对象。
代码修改之后得到如下代码：
import scrapy
from uisdc.items import UisdcItem
from scrapy.loader import ItemLoader
class UiSpider(scrapy.Spider):
name = 'ui'
allowed_domains = ['www.uisdc.com']
start_urls = ['https://www.uisdc.com/archives']
custom_settings = {
"ROBOTSTXT_OBEY": False
}
def parse(self, response):
items = response.xpath('//div[@id="archive_list"]/div/div[1]/div[1]/div[contains(@class,"item-article")]')
for i in items:
l = ItemLoader(item=UisdcItem(), selector=i)
l.add_xpath('title', ".//h2[@class='item-title']/a/text()")
l.add_xpath('author', ".//h3[@class='meta-name']/text()")
l.add_xpath('tag', ".//div[@class='meta-tag']/a/text()")
yield l.load_item()
其中需要注意 l = ItemLoader(item=UisdcItem(), selector=i) 使用 selector 参数，并赋值为迭代变量 i，如果使用 response 会得到重复数据。
最后，当所有数据被收集起来之后, 调用 ItemLoader.load_item() 方法, 返回 Item 对象。
输出 item 对象，发现每一个数据都是列表。
{'author': ['土拨鼠'],
'tag': ['产品设计'],
'title': ['6000+干货！资深总监的四条产品设计工作观（附私藏神器包）']}
接下来需要处理每一项的值，ItemLoader 得到的数据，在存入 item 容器前，是支持对数据进行预处理的，即输入处理器和输出处理器，修改 items.py 文件。
from scrapy.item import Item, Field
from scrapy.loader.processors import MapCompose, TakeFirst
def ext(value):
return "新闻：" + value
class UisdcItem(Item):
# define the fields for your item here like:
title = Field(
input_processor=MapCompose(ext),
output_processor=TakeFirst()
)
author = Field(output_processor=TakeFirst())
tag = Field(output_processor=TakeFirst())
Field 字段的两个参数：
输入处理器（input_processor）：可以在传进来的值做一些预处理。
输出处理器（output_processor） ：输出值前最后的一步处理。
其中用到了 TakeFirst()，返回第一个非空（non-null/ non-empty）值，常用于单值字段的输出处理器，无参数。
还用到了 MapCompose，能把多个函数执行的结果按顺序组合起来，产生最终的输出，通常用于输入处理器。
其余内置的处理器如下
Identity：不进行任何处理，返回原来的数据，无参数；
Join：返回用分隔符连接后的值，分隔符默认为空格；
Compose：用给定的多个函数的组合，来构造处理器，list 对象一次被传递到各个函数中，由最后一个函数返回整个处理器的输出，默认情况下遇到 None值（list 中有 None 值）的时候停止处理，可以通过传递参数 stop_on_none = False 改变这种行为；
MapCompose：输入值是被迭代的处理的，List 对象中的每一个元素被单独传入，依次执行对应函数。
关于 item loader 还有一些其它的知识点，我们后面再聊。
加载全部内容